智能监控地铁站内人员危险行为关键点检测数据集1005张提供yolo关键点检测格式文件YOLO 关键点数据集统计信息总图像数: 1005图像尺寸: 640×640关键点配置: 17 个点, 维度3 (x,y,可见性)类别总数: 4类别名称: [‘fall_down’, ‘lying_down’, ‘sitting’, ‘standing’][TRAIN 集]图像数量: 904图像尺寸: 640×640目标数量:fall_down(0): 534 个lying_down(1): 350 个standing(3): 633 个sitting(2): 88 个关键点可见性:v0(不可见): 136v1(被遮挡): 1364v2(完全可见): 25785[VALID 集]图像数量: 91图像尺寸: 640×640目标数量:standing(3): 174 个fall_down(0): 34 个lying_down(1): 55 个sitting(2): 15 个关键点可见性:v0(不可见): 89v1(被遮挡): 945v2(完全可见): 3692[TEST 集]图像数量: 10图像尺寸: 640×640目标数量:lying_down(1): 7 个fall_down(0): 3 个standing(3): 4 个sitting(2): 1 个关键点可见性:v0(不可见): 0v1(被遮挡): 46v2(完全可见): 209一、数据集信息表格1.1 基础总览项目详情数据集名称地铁站内人员危险行为关键点检测数据集总图像数量1005 张图像尺寸640×640标注格式YOLO 关键点检测格式关键点配置单目标17个关键点维度(x,y,可见性)类别总数4类训练集904 张验证集91 张测试集10 张1.2 类别对应表序号英文类别中文释义0fall_down摔倒1lying_down躺卧2sitting坐卧3standing正常站立1.3 各子集目标分布子集摔倒(fall_down)躺卧(lying_down)坐卧(sitting)正常站立(standing)训练集53435088633验证集345515174测试集37141.4 关键点可见性统计子集不可见(v0)被遮挡(v1)完全可见(v2)训练集136136425785验证集899453692测试集0462091.5 类别列表代码names[fall_down,lying_down,sitting,standing]二、应用场景地铁安防监控站内摄像头实时识别摔倒、躺卧等危险行为自动预警保障乘客人身安全。轨道交通智能运维地铁、车站、枢纽等场所人员姿态分析异常行为实时上报。人体关键点算法研发姿态估计、行为识别、关键点检测模型训练、学术研究与竞赛。公共区域安防系统商场、车站、楼道等室内场所人员异常行为监测。边缘设备部署嵌入式摄像头、智能网关搭载模型实现本地实时检测。三、YOLOv11 关键点检测 训练推理代码3.1 环境依赖安装pipinstallultralytics torch opencv-python numpy3.2 数据集配置文件metro_pose.yamlpath:./metro_pose_datasettrain:images/trainval:images/valtest:images/test# 类别数nc:4# 类别名称names:0:fall_down1:lying_down2:sitting3:standing# 关键点配置17个关键点每个点 (x,y,visibility)kpt_shape:[17,3]3.3 数据集目录结构metro_pose_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO 关键点标注 txt 文件 │ ├── train/ │ ├── val/ │ └── test/ └── metro_pose.yaml3.4 训练代码train_metro_pose.pyfromultralyticsimportYOLOdeftrain_metro_pose():# 加载 YOLOv11n 关键点检测模型modelYOLO(yolov11n-pose.yaml)model.train(datametro_pose.yaml,epochs80,imgsz640,batch8,devicecpu,# GPU环境改为 device0workers4,patience12,ampTrue,mosaic1.0,projectruns/train,namemetro_person_pose,exist_okTrue)print(训练完成权重保存至 runs/train/metro_person_pose/weights)if__name____main__:train_metro_pose()3.5 推理测试代码predict_metro_pose.pyfromultralyticsimportYOLO# 加载训练完成的最优权重modelYOLO(runs/train/metro_person_pose/weights/best.pt)if__name____main__:# 单张图片检测 关键点绘制resmodel(test.jpg,saveTrue,conf0.25)# 批量图片检测# res model(./test_images/, saveTrue, conf0.25)# 视频/摄像头实时姿态检测# res model(0, saveTrue, conf0.25)print(关键点检测推理完成)
智能监控地铁站内人员危险行为关键点检测数据集1005张提供yolo关键点检测格式文件YOLO 关键点数据集统计信息总图像数: 1005图像尺寸: 640×640关键点配置: 17 个点, 维度3 (x,y,可见性)类别总数: 4类别名称: [‘fall_down’, ‘lying_down’, ‘sitting’, ‘standing’][TRAIN 集]图像数量: 904图像尺寸: 640×640目标数量:fall_down(0): 534 个lying_down(1): 350 个standing(3): 633 个sitting(2): 88 个关键点可见性:v0(不可见): 136v1(被遮挡): 1364v2(完全可见): 25785[VALID 集]图像数量: 91图像尺寸: 640×640目标数量:standing(3): 174 个fall_down(0): 34 个lying_down(1): 55 个sitting(2): 15 个关键点可见性:v0(不可见): 89v1(被遮挡): 945v2(完全可见): 3692[TEST 集]图像数量: 10图像尺寸: 640×640目标数量:lying_down(1): 7 个fall_down(0): 3 个standing(3): 4 个sitting(2): 1 个关键点可见性:v0(不可见): 0v1(被遮挡): 46v2(完全可见): 209一、数据集信息表格1.1 基础总览项目详情数据集名称地铁站内人员危险行为关键点检测数据集总图像数量1005 张图像尺寸640×640标注格式YOLO 关键点检测格式关键点配置单目标17个关键点维度(x,y,可见性)类别总数4类训练集904 张验证集91 张测试集10 张1.2 类别对应表序号英文类别中文释义0fall_down摔倒1lying_down躺卧2sitting坐卧3standing正常站立1.3 各子集目标分布子集摔倒(fall_down)躺卧(lying_down)坐卧(sitting)正常站立(standing)训练集53435088633验证集345515174测试集37141.4 关键点可见性统计子集不可见(v0)被遮挡(v1)完全可见(v2)训练集136136425785验证集899453692测试集0462091.5 类别列表代码names[fall_down,lying_down,sitting,standing]二、应用场景地铁安防监控站内摄像头实时识别摔倒、躺卧等危险行为自动预警保障乘客人身安全。轨道交通智能运维地铁、车站、枢纽等场所人员姿态分析异常行为实时上报。人体关键点算法研发姿态估计、行为识别、关键点检测模型训练、学术研究与竞赛。公共区域安防系统商场、车站、楼道等室内场所人员异常行为监测。边缘设备部署嵌入式摄像头、智能网关搭载模型实现本地实时检测。三、YOLOv11 关键点检测 训练推理代码3.1 环境依赖安装pipinstallultralytics torch opencv-python numpy3.2 数据集配置文件metro_pose.yamlpath:./metro_pose_datasettrain:images/trainval:images/valtest:images/test# 类别数nc:4# 类别名称names:0:fall_down1:lying_down2:sitting3:standing# 关键点配置17个关键点每个点 (x,y,visibility)kpt_shape:[17,3]3.3 数据集目录结构metro_pose_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ # YOLO 关键点标注 txt 文件 │ ├── train/ │ ├── val/ │ └── test/ └── metro_pose.yaml3.4 训练代码train_metro_pose.pyfromultralyticsimportYOLOdeftrain_metro_pose():# 加载 YOLOv11n 关键点检测模型modelYOLO(yolov11n-pose.yaml)model.train(datametro_pose.yaml,epochs80,imgsz640,batch8,devicecpu,# GPU环境改为 device0workers4,patience12,ampTrue,mosaic1.0,projectruns/train,namemetro_person_pose,exist_okTrue)print(训练完成权重保存至 runs/train/metro_person_pose/weights)if__name____main__:train_metro_pose()3.5 推理测试代码predict_metro_pose.pyfromultralyticsimportYOLO# 加载训练完成的最优权重modelYOLO(runs/train/metro_person_pose/weights/best.pt)if__name____main__:# 单张图片检测 关键点绘制resmodel(test.jpg,saveTrue,conf0.25)# 批量图片检测# res model(./test_images/, saveTrue, conf0.25)# 视频/摄像头实时姿态检测# res model(0, saveTrue, conf0.25)print(关键点检测推理完成)
双梁正问题 【 torch 实战】（Python代码实现）)
